基于深度神经网络的单通道 EEG 自动睡眠分期

基于摘要分析。该研究面向自动睡眠分期，提出 ResSleepNet，直接从原始单通道 EEG 学习特征并分类睡眠阶段，以替代手工特征提取。其主要贡献是将残差网络与双向长短期记忆网络结合，在同一模型中处理信号特征与睡眠阶段间的时序关系；研究对象是睡眠分期，并非直接验证 BCI 解码效果。 机制方面，摘要明确描述了一个 22 层深度网络。作者将残差网络的作用描述为学习时间不变特征，将双向长短期记忆网络的作用描述为把学习到的睡眠阶段转移规律纳入模型。具体层级配置、输入片段长度、序列组织方式、损失函数与训练设置尚未验证。双向时序建模的上下文范围及其对在线推理的适用性也需查阅全文确认。 结果方面，作者报告在 Sleep-EDF 数据库上开展 10 次实验，6 类与 5 类睡眠分期的平均总体 Accuracy 分别为 90.82% 和 91.75%。摘要未明确这些实验属于被试内还是跨被试评估，也未提供数据划分、类别合并规则及不确定性，因此不能将两种分类设置的数字直接视为同一协议下的性能比较。作者报告优于当时的先进睡眠分期方法，并称对 S1 与 REM 的识别准确率较高，但具体对照和分阶段指标尚未验证。摘要还称模型适用于 EOG、EMG 特征提取，相关验证范围尚不明确。 复现时应优先核对 Sleep-EDF 的使用版本、通道与预处理、被试及记录划分、5 类与 6 类标签定义、10 次实验的组织方式，以及序列上下文的构建方法。实验协议、消融及统计信息尚未验证，代码可用性也未由材料确认。现有证据支持将其作为单通道 EEG 睡眠分期方法阅读，不能据此推断其在其他 BCI 任务中的有效性。